keras load model时出现Missing Layer错误的解决方式

问题描述：训练结束后，保存model为hdf5和yaml格式的文件

yamlFilename = os.path.join(dir,filename)
yamlModel = model.toyaml()
with open(yamlFilename, "w") as yamlFile:
yamlFile.write(yamlModel)

随后load model

with open(chkptFilename,'r') as f:
model_yaml = f.read()
model = KM.model_from_yaml(model_yaml,customs_objects={"dict":dict})
model.load_weights(weightFilename)

但是报错

问题分析：

经过debug分析，原因出在model建立过程中前面lambda层的inbound_node列表中含有后面层，因此从上到下load时，会找不到后面层。重新建立一次model，然后用model.summary() 可以看出其中的原因。

出现这种情况，可能的原因在于，该lambda层在其他py文件中定义，然后import进来，前后多次用到这个lambda层的话，在模型编译过程中，该lambda层可能只编译了一次，前后层共用之，导致后面层结点出现在前面层的inbound_node列表中。

解决办法：

不要在其他py文件中自定义lambda层，直接将其定义在model建立的文件中。或者直接继承Layer层，在其他py文件中重新自定义该层。

补充知识：加载keras模型'tf' is not defined on load_model() - using lambda NameError: name 'tf' is not defined报错

解决方法如下：

import tensorflow as tf
import keras
model = keras.models.load_model('my_model.h5', custom_objects={'tf': tf})

以上这篇keras load model时出现Missing Layer错误的解决方式就是小编分享给大家的全部内容了，希望能给大家一个参考

您可能感兴趣的文章:

• 关于keras中keras.layers.merge的用法说明
• keras 解决加载lstm+crf模型出错的问题
• 使用Keras加载含有自定义层或函数的模型操作
• keras 获取某层的输入/输出 tensor 尺寸操作